基于变化特征选择的迁移学习变化检测方法技术

本发明专利技术公开一种基于变化特征选择的迁移学习变化检测方法，基于经典的CNN模型结构VGG16模型，包括预训练VGG16模型来学习影像场景中的各种特征；将VGG16模型当中的前三个尺度大小的卷积层用于对输入的影像进行特征提取；构建过滤特征法的方差选择算法并嵌入到VGG16模型中用于在所提取的特征中筛选出变化特征；将所有的变化特征组合成一个特征多维向量，并采用变化向量分析法(CVA)计算特征多维向量的变化幅度获得变化检测图；通过模糊C均值聚类算法(FCM)将变化检测图分割成变化类别和不变类别进而得到变化二值图像；本发明专利技术通过筛选深层变化特征向量得到与变化有关的特征，在减少计算量的同时又能对城市区域达到很好的变化检测结果。的变化检测结果。的变化检测结果。

【技术实现步骤摘要】
基于变化特征选择的迁移学习变化检测方法


[0001]本专利技术涉及检测技术的领域，尤其涉及一种基于变化特征选择的迁移学习变化检测方法。

技术介绍

[0002]近年来，随着遥感卫星的不断进步，遥感影像的分辨率不断提升，极高分辨率遥感影像在城市环境监测、气象监测、城市功能区规划、自然灾害监测以及土地覆盖变化等方向得到了广泛应用。对于城市区域来说，其包含的地物类型很多，包括城市建筑物、城市不透水面、城市植被和城市水体等。城市区域相对于农田耕地等简单地物来说，它的地物特征更加复杂。对于地物特征复杂的城市区域来说，极高分辨率(VHR)的遥感影像可以有效的表现城市区域的这些地物特征，但是如何通过这些细节的地物特征进行变化检测变得极其重要。对于单个时相的VHR影像来说，城市区域中的各种地物特征表达清晰，可以通过增大模型的复杂度和计算量来提取城市区域特征。但是这里存在一些问题，如果采用多时相影像进行变化检测时，计算大量影像特征时有三个缺陷：1、通过多个特征学习时，会造成模型的特征冗余，冗余特征在很多情况下是不起作用的，这就导致模型耗费过多无用的资源、2、进行多时相遥感变化检测时，计算多个城市地表特征会有大量无关变化的特征量影响检测效果，甚至是负影响、3、针对多时相遥感变化检测来说，有许多特征地物是与变化无关的，这些与变化无关的特征在某些方面会起到副作用。介于以上缺陷，虽然在运算影像的大量特征时会深度解读图像信息，在某个区间内，是起到积极作用的。但是过多相似的特征则会影响变化检测结果。
[0003]影像变化检测的方法有很多种，大致分为两个类别，包括无监督、有监督。其中，无监督的方法更受欢迎，它可以不需要训练样本来检测地物变化，传统的方法有变化向量分析(CVA)、光谱梯度差(SGD)、主成分分析法(PCA)、迭代重加权多变量变化检测(IRMAD)、后验概率空间中的变化向量分析(CVAPS)等。这些方法在中低分辨率的遥感影像上表现很好，如果将这些方法应用在VHR影像的城市区域上，它的性能表现会很弱，因为这些方法只是简单的使用影像的基础特征(光谱、纹理等)来表示影像，无法提取影像的高级特征来表示城市区域变化。
[0004]目前，随着计算机软硬件更新迭代，使用深度学习的方法来检测变化是一种很不错的选择，深度学习在遥感目标检测和语义分割等方面表现出不凡的性能。卷积神经网络(CNN)是变化检测中常用的网络，常用的CNN模型有U
‑
net、DeepLabV3+、GoogLeNet、LeNet
‑
5、AlexNet、ResNet和一些延伸网络，这些网络已经被用在遥感变化检测当中并且表现出极佳的检测效果。但是利用CNN进行变化检测时也需要大量的训练样本，实际上，我们很难获取复杂城市区域的样本，尤其是像素级的训练样本。对于复杂的城市VHR影像来说，通过手工标注不切实际。因此，迁移学习(TL)逐渐进入我们视野中，它不需要任何训练样本就可以实现很好的结果。例如，一些学者设计了一种SENECA网络，通过少量样本可以得到很好的效果，但是模型较复杂，耗时较长。一些学者提出了一种基于迁移学习和超像素分割的样本制
作方法用于无监督变化检测，虽然有较好的样本，但是他不能自适应的对双时相变化特征进行选择。有学者提出了一种TCD
‑
Net，它虽然有较低的参数，并且对各种地物都具有敏感性，但是TCD
‑
Net对变化信息不敏感。一些学者还提出了一种带有3D滤波器的迁移学习变化检测模型，模型可以提取多个图像特征，但是这些特征无法进行归纳导致无关变化特征冗余。因此，有学者提出了一种结合高级特征和和变化检测语义的方法，它可以计算各个变化向量的距离，生成较好的差异图像，但是方法还是无法将变化与模型建立关系。
[0005]在迁移学习提取的特征中，无法建立变化和模型的关系，有一些无关地物变化的特征，会造成冗余，导致复杂城市中一些建筑物变化不完整以及植被的漏检等。基于以上分析，大多数的变化检测CNN模型不仅仅需要大量的样本数据来训练，这些样本还需要达到高精度的像素级别。采用预训练好的模型进行迁移学习可能是一个好的选择，但多数的预训练模型提取深度特征时参数较多，导致无关变化特征冗余，无法自适应的提取有关变化的信息，这反而会影响变化检测的结果。所以所提取的特征中，有部分是与变化相关的特征，而有部分特征与变化无关。

技术实现思路

[0006]本专利技术为了解决上述技术问题提供一种基于变化特征选择的迁移学习变化检测方法。
[0007]为方便描述，本说明书中将所提供的一种基于变化特征选择的迁移学习变化检测方法定义为(TL
‑
FS)。
[0008]为达到上述目的，本专利技术采用的技术方案如下：
[0009]一种基于变化特征选择的迁移学习变化检测方法，基于经典的CNN模型结构VGG16模型，包括如下步骤：
[0010]S1：预训练VGG16模型来学习影像场景中的各种特征；
[0011]S2：将VGG16模型当中的前三个尺度大小的卷积层用于对输入的影像进行特征提取；
[0012]S3：构建过滤特征法的方差选择算法并嵌入到VGG16模型中用于在所提取的特征中筛选出变化特征，用于解决特征冗余造成的性能不佳的问题；
[0013]S4：将所有的变化特征组合成一个特征多维向量，并采用变化向量分析法(CVA)计算特征多维向量的变化幅度获得变化检测图；
[0014]S5：通过模糊C均值聚类算法(FCM)将变化检测图分割成变化类别和不变类别进而得到变化二值图像。
[0015]优选的，影像为多个时相的VHR遥感影像。
[0016]优选的，多个时相的VHR遥感影像特征从CNN的每个层中获得。
[0017]具体的，S2中的特征提取的方法基于迁移学习的思想，使用基于VGG16模型的双通道结构(X1和X2)，分别从X1和X2中提取多尺度和多深度特征图。
[0018]更进一步的，S3中过滤特征法的方差选择算法的构建策略如下：
[0019]S3.1：假设VGG16模型的总特征层数为L，L有一子集l,l∈L，设F
l1
与F
l2
分别为子集l中对应的特征，将两者相减得到差异向量P为：
[0020]P＝F
l1
‑
F
l2
；
[0021]S3.2：假设存在P
n
，P
n
是P的子集，有P
n
∈P，P
n
中包含了所选择的变化特征，在进行变化特征选择时，将l中所有特征的差异向量P分成K份，对于K中的任意一份k,k∈K，所有被选择的变化特征P
n
为：
[0022][0023]式中，P
lk
是l层中的第k份的所有特征，其中P
lk
∈P；
[0024]S3.3：在对变化差异特征选择之后，所有选择的变化特征组成一个多维向量X，多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变化特征选择的迁移学习变化检测方法，其特征在于，基于经典的CNN模型结构VGG16模型，包括如下步骤：S1：预训练VGG16模型来学习影像场景中的各种特征；S2：将VGG16模型当中的前三个尺度大小的卷积层用于对输入的影像进行特征提取；S3：构建过滤特征法的方差选择算法并嵌入到VGG16模型中用于在所提取的特征中筛选出变化特征；S4：将所有的变化特征组合成一个特征多维向量，并采用变化向量分析法(CVA)计算特征多维向量的变化幅度获得变化检测图；S5：通过模糊C均值聚类算法(FCM)将变化检测图分割成变化类别和不变类别进而得到变化二值图像。2.根据权利要求1所述的基于变化特征选择的迁移学习变化检测方法，其特征在于，所述的影像为多个时相的VHR遥感影像。3.根据权利要求2所述的基于变化特征选择的迁移学习变化检测方法，其特征在于，多个时相的VHR遥感影像特征从CNN的每个层中获得。4.根据权利要求1
‑
3任一项所述的基于变化特征选择的迁移学习变化检测方法，其特征在于，S2中的特征提取的方法基于迁移学习的思想，使用基于VGG16模型的双通道结构(X1和X2)，分别从X1和X2中提取多尺度和多深度特征图。5.根据权利要求4所述的基于变化特征选择的迁移学习变化检测方法，其特征在于，S3中过滤特征法的方差选择算法的构建策略如下：S3.1：假设VGG16模型的总特征层数为L，L有一子集l,l∈L，设F
l1
与F
l2
分别为子集l中对应的特征，将两...

【专利技术属性】
技术研发人员：陈强，罗建辉，王磊，岳鹏，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：